Разработка методики вывода на рынок продукта на основе ИИ

Министерство науки и высшего образования Российской Федерации Санкт-Петербургский политехнический университет Петра Великого Институт машиностроения, материалов и транспорта Высшая школа проектной деятельности и инноваций в промышленности Работа допущена к защите Руководитель ОП ___________ С.Г.Редько «___»_______________2026 г. ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА БАКАЛАВРА РАЗРАБОТКА МЕТОДИКИ ВЫВОДА НА РЫНОК ПРОДУКТА НА ОСНОВЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА по направлению подготовки (специальности) 27.03.05 Инноватика Направленность (профиль) 27.03.05_01 Управление инновациями (по отраслям и сферам экономики) Выполнил студент гр. 3332705/20101 Д.Д. Коновалов Руководитель Старший преподаватель ВШ ПДиИП М.А. Маранова Консультант по нормоконтролю А.В. Мандрик Санкт-Петербург 2026 САНКТ-ПЕТЕРБУРГСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ ПЕТРА ВЕЛИКОГО Институт машиностроения, материалов и транспорта Высшая школа проектной деятельности и инноваций в промышленности УТВЕРЖДАЮ Руководитель ОП « С.Г. Редько 2026 г. » ЗАДАНИЕ на выполнение выпускной квалификационной работы студенту Коновалову Даниилу Дмитриевичу, гр. 3332705/20101 1.Тема работы: Разработка методики вывода на рынок продукта на основе технологий искусственного интеллекта 2. Срок сдачи студентом законченной работы: 15.05.2026 3. Исходные данные по работе: 4. Содержание работы (перечень подлежащих разработке вопросов): 1) Анализ практик вывода на рынок продуктов на основе технологий искусственного интеллекта; 2) Выполнение технико-экономического обоснования вывода «Yellot»; 3) Разработка комплексного маркетингового плана вывода продукта и формирование рыночного предложения с упором на тиражируемое распространение программного обеспечения для «Yellot»; 4) Разработка методики вывода продукта на рынок на примере ООО “Поисковая Машина”; 5) Апробация и оценка эффективности методики вывода продукта на основании полученных артефактов. 5. Перечень графического материала (с указанием обязательных чертежей): 6. Консультанты по работе: По нормоконтролю: А.В. Мандрик 7. Дата выдачи задания: 01.12.2025 Руководитель ВКР ________________ М.А. Маранова ________________ Д.Д. Коновалов Задание принял к исполнению 01.12.2025г. Студент РЕФЕРАТ На с. 74, 1 рисунок, 12 таблиц, 7 приложений. КЛЮЧЕВЫЕ СЛОВА: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ВЫВОД НА РЫНОК, GTM-СТРАТЕГИЯ, КОММЕРЦИАЛИЗАЦИЯ, ПРОМЫШЛЕННЫЙ B2B, КВАЛИФИКАЦИЯ КЛИЕНТОВ. Тема выпускной квалификационной работы: «Разработка методики вывода на рынок продукта на основе технологий искусственного интеллекта». Данная работа посвящена разработке и апробации методики вывода на рынок программно-аппаратного ИИ-комплекса «Yellot» для автоматизации расчёта стоимости изготовления деталей на примере ООО «Поисковая Машина». Задачи, которые решались в ходе исследования: 1. Анализ теоретических основ вывода ИИ-продуктов на рынок. 2. Технико-экономическое обоснование коммерциализации «Yellot», анализ внешней среды и действующего процесса продаж. 3. Разработка методики вывода продукта на рынок и обеспечение тиражируемости процесса. 4. Апробация методики в реальных коммерческих условиях и оценка результативности. Были проведены PESTEL- и SWOT-анализ, анализ конкурентных сил по модели Портера, описание процесса продаж в нотации BPMN (AS-IS) с выявлением системных узких мест, апробация на шести реальных лидах. В результате разработана шестиэтапная методика, включающая многоканальную лидогенерацию, предварительную квалификацию клиентов по готовности данных, адаптированную демонстрацию с расчётом ROI и заключение договора аренды. Апробация подтвердила эффективность: цикл сделки сократился с 6 до 2 недель, срывов сделок из-за неготовности данных на финальном этапе не зафиксировано. ABSTRACT 74 pages, 1 figure, 12 tables, 7 appendices. KEY WORDS: ARTIFICIAL INTELLIGENCE, GO-TO-MARKET, GTM STRATEGY, COMMERCIALISATION, INDUSTRIAL B2B, CLIENT QUALIFICATION. The subject of the graduate qualification work is: "Development of a go-tomarket methodology for an artificial intelligence product". The given work is devoted to the development and validation of a go-to-market methodology for the «Yellot» AI hardware-software complex for automated manufacturing cost estimation, based on Poiskovaya Mashina LLC. The research set the following goals: 1. Analysis of theoretical foundations for bringing AI products to market. 2. Techno-economic justification of «Yellot» commercialisation and AS-IS sales process assessment. 3. Development of a scalable go-to-market methodology. 4. Field validation of the methodology and effectiveness assessment. The study involved PESTEL and SWOT analysis, Porter's Five Forces assessment, BPMN-based AS-IS process mapping, and validation across six real sales leads. The study resulted in a six-stage go-to-market methodology comprising multichannel lead generation, early client qualification by data readiness, ROI-based demonstration, and lease agreement execution. Validation confirmed its effectiveness: deal cycle reduced from 6 to 2 weeks, with no deal failures due to client data unreadiness at the final stage. 5 ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ ВКР – выпускная квалификационная работа API – Application Programming Interface – программный интерфейс приложения BPMN – Business Process Model and Notation – нотация моделирования бизнес-процессов CJM – Customer Journey Map – карта пути клиента ERP – Enterprise Resource Planning – система планирования ресурсов предприятия GTM – Go-to-Market – стратегия вывода продукта на рынок IoT – Internet of Things – интернет вещей IRR – Internal Rate of Return – внутренняя норма доходности KPI – Key Performance Indicators – ключевые показатели эффективности LFA – Logical Framework Approach – логико-структурный подход MES – Manufacturing Execution System – система управления производством MRR – Monthly Recurring Revenue – ежемесячная рекуррентная выручка NDA – Non-Disclosure Agreement – соглашение о неразглашении NPV – Net Present Value – чистая приведённая стоимость PDCA – Plan-Do-Check-Act – цикл непрерывного совершенствования (Деминг-Шухарт) PESTEL – Political, Economic, Social, Technological, Environmental, Legal – метод анализа внешней среды PI – Profitability Index – индекс прибыльности ROI – Return on Investment – показатель возврата инвестиций SWOT – Strengths, Weaknesses, Opportunities, Threats – метод стратегического анализа TRL – Technology Readiness Level – уровень технологической готовности ДСЕ – деталь, сборочная единица ИИ – искусственный интеллект 6 ИС – информационная система ИТ – информационные технологии КП – коммерческое предложение ЛПР – лицо, принимающее решение ЛСМ – логико-структурная матрица ЛСП – логико-структурный подход МСП – малое и среднее предпринимательство ТД – технический директор ТЭО – технико-экономическое обоснование 7 СОДЕРЖАНИЕ ГЛАВА 1. ТЕОРИТИЧЕСКИЕ ОСНОВЫ ВЫВОДА НА РЫНОК ИТПРОДУКТОВ НА ОСНОВЕ ИССКУССТВЕННОГО ИНТЕЛЛЕКТА ............... 11 1.1. Искусственный интеллект как основа создания инновационных ИТпродуктов ............................................................................................................... 11 1.2. Особенности ИИ-продукта как объекта коммерциализации .................... 12 1.3. Инструменты вывода ИТ-продукта на рынок ............................................. 14 ГЛАВА 2. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ И РАЗРАБОТКА МЕТОДИКИ ВЫВОДА ПРОДУКТА YELLOT НА РЫНОК............................... 21 2.1. Характеристика продукта «Yellot», его функциональных возможностей и потребительской ценности ................................................................................... 21 2.2. Бизнес-модель продукта «Yellot» ................................................................. 23 2.3. Анализ целевого рынка, потребителей и конкурентной среды продукта «Yellot» ................................................................................................................... 24 2.4. Технико-экономическое обоснование коммерциализации продукта «Yellot» .................................................................................................. 30 2.5. Анализ действующего процесса вывода продукта на рынок по модели ASIS и выявление его узких мест ............................................................................. 33 2.6. Разработка методики вывода продукта «Yellot» на рынок........................ 39 2.7. Обеспечение тиражируемости процесса коммерциализации ................... 48 ГЛАВА 3. АПРОБАЦИЯ МЕТОДИКИ ВЫВОДА ПРОДУКТА YELLOT НА РЫНОК И ОЦЕНКА ЕЁ РЕЗУЛЬТАТИВНОСТИ ................................................ 50 3.1. Условия и порядок проведения апробации ................................................. 50 3.2. Апробация элементов методики ................................................................... 50 3.3. Сравнительный анализ результатов апробации .......................................... 53 3.4. Оценка результативности методики ............................................................ 55 ЗАКЛЮЧЕНИЕ ......................................................................................................... 60 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ............................................... 62 Приложение 1 ............................................................................................................ 65 Приложение 2 ............................................................................................................ 66 Приложение 3 ............................................................................................................ 67 Приложение 4 ............................................................................................................ 69 Приложение 5 ............................................................................................................ 72 Приложение 6 ............................................................................................................ 73 Приложение 7 ............................................................................................................ 74 8 ВВЕДЕНИЕ Искусственный интеллект перестал быть предметом теоретических дискуссий: за последние пять лет ИИ-решения вошли в операционную практику промышленных предприятий, финансовых институтов и логистических компаний. Вместе с тем рынок фиксирует парадокс: технологически зрелые продукты не достигают коммерческого успеха из-за отсутствия у их разработчиков системного подхода к выводу на рынок. По данным отраслевых исследований, более половины ИИ-стартапов не доходят до стадии устойчивых продаж не по причине слабости технологии, а вследствие ошибок в позиционировании, выборе каналов и квалификации клиентов. Особую остроту эта проблема приобретает в сегменте B2B-решений для промышленности. Здесь цикл сделки длиннее, решение о покупке принимается коллегиально на нескольких уровнях управления, а ценность продукта напрямую зависит от качества данных на стороне клиента. Стандартные маркетинговые модели, разработанные для потребительского рынка или SaaS-продуктов с коротким циклом, в этих условиях не работают без существенной адаптации. Настоящая работа выполнена на материалах ООО «Поисковая Машина» — компании-разработчика программно-аппаратного ИИ-комплекса Yellot, предназначенного для автоматизации расчёта стоимости изготовления деталей и предиктивной аналитики производственных процессов. Продукт обладает доказанной технологической ценностью, однако на момент начала исследования компания не располагала формализованной методикой его коммерциализации: маркетинговые ресурсы распределялись интуитивно, продуктовые гипотезы не проходили системной проверки, что приводило к упущенной прибыли и удлинению цикла сделки. Актуальность темы обусловлена тем, что существующие концепции вывода на рынок — GTM-стратегия, модель 7P, цикл PDCA — разработаны применительно к широкому кругу продуктов и не учитывают специфику ИИ-решений: 9 зависимость от данных клиента, необходимость работы одновременно с техническим и управленческим уровнями предприятия, итеративность дообучения модели. Разработка методики, интегрирующей эти особенности в единый алгоритм действий, является актуальной как для теории маркетинга инноваций, так и для практики коммерциализации ИИ-продуктов. Объектом исследования является продукт Yellot. Предметом исследования — процесс вывода продукта Yellot на рынок. Цель работы — разработать методику вывода продукта в сфере технологий искусственного интеллекта на рынок, которая предоставит компании алгоритм действий для формирования рыночного предложения и коммерциализации разработок. Для достижения цели поставлены следующие задачи: 1. Провести анализ теоретических основ и практик вывода на рынок продуктов на основе технологий искусственного интеллекта. 2. Выполнить технико-экономическое обоснование вывода продукта «Yellot», включая анализ внешней среды, конкурентного окружения и действующего процесса продаж. 3. Разработать комплексный маркетинговый план вывода продукта и сформировать рыночное предложение с упором на тиражируемое распространение программного обеспечения. 4. Разработать методику вывода продукта на рынок применительно к деятельности ООО «Поисковая Машина». 5. Провести апробацию методики в реальных коммерческих условиях и оценить её эффективность на основании полученных результатов. Теоретической основой работы послужили классические труды по стратегическому маркетингу и менеджменту: концепция GTM-стратегии, модель конкурентных сил М. Портера, комплекс маркетинга 7P Дж. Маккарти, цикл непрерывного совершенствования PDCA У. Шухарта — У.Э. Деминга, а также логико-структурный подход к управлению проектами. Наряду с этим использо- 10 ваны работы в области коммерциализации ИТ-продуктов и нормативные документы, регулирующие применение технологий искусственного интеллекта в Российской Федерации. Методологическую базу составляют методы стратегического анализа (PESTEL, SWOT, пять сил Портера), картирование пути клиента (CJM), процессное моделирование в нотации BPMN, а также метод апробации в условиях реальной коммерческой деятельности с последующей оценкой показателей воронки продаж. Практическая значимость работы состоит в том, что разработанная методика прошла апробацию и может быть применена компанией ООО «Поисковая Машина» как операционный стандарт коммерциализации Yellot. Использование методики позволит выстроить начальную маркетинговую стратегию, сократить цикл сделки и обеспечить устойчивый рост продаж. Кроме того, методика обладает потенциалом тиражирования на другие ИИ-продукты, выводимые на промышленный B2B-рынок. Структура работы. Выпускная квалификационная работа состоит из введения, трёх глав, заключения и списка использованных источников. В первой главе систематизированы теоретические основы: рассмотрено понятие и классификация ИИ-систем, выявлена специфика ИИ-продукта как объекта коммерциализации, проанализированы инструменты GTM-стратегии и планирования процесса вывода на рынок. Во второй главе проведён комплексный анализ продукта Yellot и действующего процесса его вывода на рынок: составлен портрет целевого клиента, выполнены PESTEL- и SWOT-анализ, описан процесс продаж в модели AS-IS и выявлены его ключевые узкие места, разработана методика и построен процесс TOBE. В третьей главе проведена апробация методики в реальных коммерческих условиях, построена система KPI и логико-структурная матрица для управления результативностью коммерциализации. 11 ГЛАВА 1. ТЕОРИТИЧЕСКИЕ ОСНОВЫ ВЫВОДА НА РЫНОК ИТ-ПРОДУКТОВ НА ОСНОВЕ ИССКУССТВЕННОГО ИНТЕЛЛЕКТА 1.1. Искусственный интеллект как основа создания инновационных ИТпродуктов Единого общепринятого определения искусственного интеллекта (ИИ) на сегодняшний день не сложилось: понятие непрерывно эволюционирует вместе с развитием технологий, что делает его терминологически сложным для точной фиксации. Согласно Национальной стратегии развития искусственного интеллекта до 2030 года, утверждённой Указом Президента Российской Федерации от 10 октября 2019 г. № 490, искусственный интеллект — это «совокупность технологических решений, позволяющих имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека». К указанным технологическим решениям относятся инфраструктура информационно-коммуникационных технологий, программное обеспечение, а также процессы и услуги по обработке данных и поиску решений [1]. На международном уровне ИИ трактуется схожим образом — как система, способная анализировать окружающую среду, использовать данные, делать выводы и принимать решения для достижения поставленных целей [10]. В научной литературе принято разграничивать сильный и слабый (прикладной) ИИ. Сильный ИИ рассматривается как гипотетическая система, обладающая мышлением и самосознанием на уровне человека; слабый ИИ ориентирован на решение конкретных прикладных задач. На сегодняшний день практически все коммерчески доступные решения относятся к специализированному, то есть слабому, ИИ. Согласно работам С. Рассела и П. Норвига, ключевым критерием интеллектуальности системы выступает рациональность — способность действовать оптимально при заданных условиях и ограничениях [4], [9]. 12 Российский стандарт ГОСТ Р 59277-2020 «Системы искусственного интеллекта. Классификация систем искусственного интеллекта» выделяет несколько оснований для систематизации ИИ-систем: по степени автономности (от систем с постоянным контролем оператора до полностью автономных); по методу обучения (с учителем, без учителя, с подкреплением); по структуре обработки знаний (нейросетевые модели, экспертные системы, генетические алгоритмы); по архитектурному принципу (централизованные и распределённые системы) [2], [11]. В табл.1.1. применительно к задачам настоящей работы под ИТ-продуктом на основе ИИ понимается программное или программно-аппаратное решение, в основе которого лежат методы машинного обучения, обработки данных и предиктивной аналитики, решающее конкретную прикладную задачу конечного пользователя и доступное для коммерческой эксплуатации. Подобный продукт включает, как правило, четыре уровня: слой сбора данных (инструменты и интерфейсы для получения, хранения и предобработки данных); ИИ-ядро (обученная модель машинного обучения, выполняющая ключевую вычислительную функцию); слой пользовательского интерфейса (веб-интерфейс или API, обеспечивающий взаимодействие с системой); инфраструктурный слой (аппаратная платформа и операционная среда). Такая архитектура характерна для современных ИИ-решений промышленного назначения: ценность продукта формируется не только алгоритмом, но и возможностью встроить его в реальный производственный процесс [1], [2], [3], [4]. 1.2. Особенности ИИ-продукта как объекта коммерциализации В отличие от классического программного обеспечения, которое начинает работать сразу после установки и настройки, ИИ-продукт функционирует корректно только при наличии данных достаточного объёма и надлежащего качества на стороне клиента. Именно данные — а не алгоритм сам по себе — определяют точность и практическую ценность модели. Это смещает критическую 13 точку процесса продажи: ключевым вопросом становится не «хочет ли клиент купить продукт», а «есть ли у него данные, с которыми продукт сможет работать». Следовательно, диагностика инфраструктуры данных клиента должна быть встроена в процесс продажи ещё до подписания контракта [1], [4]. Приобретение ИИ-решения в промышленном B2B-сегменте проходит через несколько независимых уровней согласования внутри организации клиента. Конечный пользователь оценивает удобство работы с системой, технические специалисты — архитектурную совместимость и соответствие требованиям безопасности, финансовый блок — соотношение затрат и ожидаемого эффекта, руководство — стратегическое соответствие приоритетам предприятия. Каждый из этих уровней требует собственного набора аргументов, что принципиально удлиняет цикл сделки и делает обязательным наличие пилотного этапа — единственного инструмента, способного одновременно убедить все уровни принятия решений на основе реальных результатов. Промышленные предприятия, как правило, настороженно относятся к интеграции ИИ-решений в действующие производственные процессы. Воспринимаемые риски включают высокую стоимость внедрения, неопределённость экономического эффекта, угрозу утечки данных и нехватку внутренних компетенций для эксплуатации системы. В российских условиях к перечисленному добавляются санкционные ограничения на зарубежные технологии и повышенные требования регуляторов в части информационной безопасности. Практический вывод состоит в том, что ИИ-продукт конкурирует не столько с альтернативными технологиями, сколько с инерцией самой организации клиента — и преодолеть эту инерцию можно только при условии, что продукт воспринимается как безопасный, быстро внедряемый и не разрушающий сложившиеся процессы. Модель единовременной лицензии, традиционная для рынка корпоративного программного обеспечения, плохо работает для ИИ-продуктов: клиент не готов нести значительные капитальные затраты до того, как убедится в практической ценности решения на собственных данных. Поэтому ИИ-продукты в B2B 14 чаще всего реализуются через подписку, сервисную модель или аренду программно-аппаратного комплекса. Такой подход решает две задачи одновременно: снижает порог входа для клиента и обеспечивает компании предсказуемый поток выручки, не зависящий от единовременных сделок. Ценность ИИ-продукта практически невозможно убедительно показать в отрыве от задач и данных конкретного клиента. Стандартная демонстрация общих возможностей системы не формирует у промышленного покупателя уверенности в применимости решения к его производственному контексту. Эффективный показ предполагает предварительную диагностику задачи, адаптацию сценария демонстрации под реальный процесс клиента и предъявление измеримого прикладного эффекта — а не описания функциональности. Таким образом, демонстрация ценности превращается в самостоятельный и ресурсоёмкий этап процесса продажи, который необходимо методически регламентировать. 1.3. Инструменты вывода ИТ-продукта на рынок Стратегия вывода продукта на рынок (Go-to-Market, GTM) представляет собой план действий по выводу нового продукта или выходу компании на новый рынок, направленный на привлечение, удержание и развитие клиентов. В отличие от общей маркетинговой стратегии, GTM-стратегия сфокусирована на конкретном продукте, сегменте и каналах взаимодействия с потребителем. В научной и прикладной литературе подчёркивается, что GTM-стратегия должна обладать повторяемостью и масштабируемостью. Иными словами, компания должна выстроить не разовую продажу, а воспроизводимый процесс выхода на рынок, который можно улучшать и расширять [6], [8]. 15 Таблица 1.1 Ключевые элементы GTM-стратегии Вопрос Содержание Кому продаём? Сегментация рынка, портрет клиента, конкурентный анализ Что продаём? Ценностное предложение, функциональность, ценообразование Как продаём? Каналы продаж, лидогенерация, логика взаимодействия с клиентом Как Модель внедрения, техническая поддержка, развитие продукта поддерживаем? Как удерживаем? Управление клиентским опытом, повторные продажи, развитие отношений Как оцениваем? KPI и метрики эффективности Для ИТ-продуктов особое место в GTM-стратегии занимает проработка профиля лица, принимающего решения, поскольку заказчиком может выступать как линейный специалист, так и ИТ-руководитель или высшее руководство компании. Для B2B ИИ-продуктов данный аспект особенно важен, так как ценность продукта должна быть доказана сразу на нескольких уровнях принятия решения [8], [14]. PESTEL-анализ представляет собой инструмент стратегического планирования, предназначенный для оценки политических, экономических, социальных и технологических факторов внешней среды. Он позволяет структурировать влияние макросреды на проект или компанию и тем самым снизить риск стратегических ошибок при выходе на рынок. 16 PESTEL-анализ особенно полезен при запуске нового продукта, выходе на новый рынок или масштабировании бизнеса. На практике он нередко используется как предварительный этап SWOT-анализа, поскольку позволяет выделить ключевые возможности и угрозы внешней среды. Применительно к выводу ИИ-продукта на промышленный рынок России PESTEL-анализ позволяет учесть государственную политику поддержки ИИ, инвестиционные ограничения, уровень цифровой зрелости предприятий и доступность технологической инфраструктуры [1], [6], [13]. SWOT-анализ является классическим инструментом стратегического менеджмента, позволяющим соотнести внутренние сильные и слабые стороны компании с внешними возможностями и угрозами. Для ИИ-продукта данный инструмент особенно полезен, так как помогает одновременно оценить конкурентные преимущества решения и уязвимости процесса его продвижения [6], [8]. Модель пяти конкурентных сил М. Портера используется для анализа отраслевой конкуренции и включает угрозу новых игроков, угрозу товаров-заменителей, силу покупателей, силу поставщиков и интенсивность конкурентной борьбы. Применение этой модели позволяет определить структурную привлекательность рынка и выбрать обоснованную стратегию позиционирования продукта [5]. Карта пути клиента (CJM) представляет собой визуализацию последовательности взаимодействий клиента с продуктом и компанией от первого контакта до заключения сделки и последующего обслуживания. В контексте ИТ- и ИИ-продуктов CJM помогает описать текущий процесс продажи, выявить точки потери клиентов и спроектировать улучшенный сценарий взаимодействия. Модель 4P выполняет роль структурной основы при разработке методики вывода продукта: она позволяет убедиться, что ни один ключевой элемент коммерческого предложения — от ценообразования до материальных доказательств результата — не остался непроработанным. 17 Использование CJM особенно важно в B2B-продажах со сложным циклом сделки, где клиент проходит несколько этапов согласования и взаимодействует с компанией через разные каналы и роли. Классическая модель 4P маркетинга, предложенная Джеромом Маккарти, включает продукт, цену, место продаж и продвижение. Эта модель была ориентирована преимущественно на рынок товаров, однако в дальнейшем для сферы услуг и сложных решений получила развитие в виде модели 7P. Расширенная модель 7P дополняет классическую конструкцию тремя элементами: People, Process и Physical Evidence. Это особенно важно для ИИ-продуктов, поскольку в данном случае ценность формируется не только характеристиками продукта, но и качеством команды, логикой взаимодействия с клиентом и материальными доказательствами результата. Применительно к выводу ИИ-продукта на промышленный рынок элементы 7P могут быть раскрыты следующим образом: Таблица 1.2 Применение модели 7P к выводу ИИ-продукта «Yellot» на рынок Элемент 7P Содержание Product ИИ-решение как программно-аппаратный комплекс, его функциональность и удобство Price Подписка, аренда, сервисная модель, стоимость пилота и внедрения Place Прямые продажи, партнёрские каналы, отраслевые мероприятия Promotion Демонстрации, кейсы, выставки, экспертные публикации People Команда, проводящая презентации, внедрение и поддержку Process Последовательность шагов от первого контакта до внедрения 18 Продолжение табл. 1.2 Physical Пилотные результаты, отчёты, протоколы демонстрации, внедрённые кейсы Evidence Для промышленного B2B-сегмента особую роль играет элемент «Promotion», включающий участие в целевых выставках и профессиональных мероприятиях. На практике это означает, что компания получает не просто дополнительные контакты, а более «тёплую» аудиторию, уже заинтересованную в решении конкретной производственной проблемы. Следовательно, маркетинговая активность в офлайн-каналах должна рассматриваться как часть методики вывода продукта на рынок, а не как вспомогательная активность. Цикл PDCA (Plan–Do–Check–Act) представляет собой итеративный метод управления качеством и совершенствования процессов, разработанный У. Шухартом и развитый Э. Демингом. Его сущность состоит в последовательном прохождении этапов планирования, выполнения, проверки и корректирующего действия. На этапе «Plan» формулируются цели и гипотезы, на этапе «Do» реализуются пилотные действия, на этапе «Check» анализируются результаты, а на этапе «Act» закрепляются успешные решения или вносятся корректировки. Ключевая идея модели заключается в непрерывном улучшении процесса на основе фактических результатов. Применительно к выводу ИИ-продукта на рынок PDCA позволяет последовательно проверять и дорабатывать логику продаж, демонстраций, работы с данными клиента и каналов привлечения. Такой подход особенно важен в условиях, когда компания ещё формирует устойчивую модель коммерциализации продукта [7], [8], [19]. 19 Логико-структурный подход (Logical Framework Approach, LFA) представляет собой инструмент проектного планирования, управления и оценки, который был разработан для системного описания целей, результатов, мероприятий и критериев достижения проекта. Его ценность состоит в том, что он позволяет связать стратегическую цель, конкретные действия, показатели и риски в единую логическую конструкцию. Подход помогает определить, какие результаты должны быть получены, какими средствами это достигается, по каким индикаторам оценивается успех и какие внешние факторы могут повлиять на реализацию проекта. Ключевым результатом применения ЛСП является логико-структурная матрица, в которой фиксируются цели, показатели, источники проверки и допущения. В контексте дипломной работы ЛСП целесообразно применять для структурирования методики вывода ИИ-продукта на рынок: от диагностики проблем текущего процесса к формулировке целевой модели, набора мероприятий и критериев оценки их результативности [15], [16]. Проведённое теоретическое исследование позволяет сформулировать ряд принципиальных выводов, определяющих методологическую основу последующих глав работы. Во-первых, искусственный интеллект как технологическая платформа создания продуктов характеризуется многоуровневой архитектурой: практическая ценность ИИ-решения определяется не только качеством обученной модели, но и возможностью её интеграции в реальный производственный процесс клиента. Это принципиально отличает ИИ-продукт от традиционного программного обеспечения и задаёт особые требования к процессу его коммерциализации. Во-вторых, анализ специфики ИИ-продукта как объекта вывода на рынок выявил пять взаимосвязанных особенностей: зависимость результата от данных клиента, длительный многоуровневый цикл принятия решений, высокий барьер внедрения, преобладание сервисных моделей ценообразования и необходимость 20 адаптированной демонстрации ценности. Каждая из этих особенностей формирует конкретное методическое требование к процессу продаж, что в совокупности обосновывает невозможность применения стандартных GTM-моделей без их существенной адаптации к специфике промышленного B2B-сегмента. В-третьих, рассмотренный инструментарий — GTM-стратегия, PESTELи SWOT-анализ, модель пяти сил Портера, карта пути клиента, комплекс маркетинга 7P, цикл PDCA и логико-структурный подход — образует взаимосвязанную систему, в которой каждый элемент выполняет строго определённую функцию: от анализа среды и формирования рыночного предложения до итеративного совершенствования процесса коммерциализации. Именно эта система инструментов будет использована во второй и третьей главах работы для анализа действующего процесса вывода продукта «Yellot» на рынок и разработки улучшенной методики. 21 ГЛАВА 2. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ И РАЗРАБОТКА МЕТОДИКИ ВЫВОДА ПРОДУКТА YELLOT НА РЫНОК 2.1. Характеристика продукта «Yellot», его функциональных возможностей и потребительской ценности «Yellot» — это программно-аппаратный комплекс на основе искусственного интеллекта, разработанный ООО «Поисковая Машина» для решения задач предиктивной аналитики и оптимизации производственных процессов на промышленных предприятиях. Продукт относится к классу DataOps-решений: он объединяет инструменты сбора, хранения и обработки производственных данных с модулем машинного обучения, реализующим ключевую аналитическую функцию. Продукт разработан таким образом, чтобы быть доступным рядовому пользователю производства — инженеру-технологу, сметчику, мастеру смены — без необходимости привлечения специалиста в области Data Science. Это принципиально отличает «Yellot» от большинства аналогичных ИИ-решений для промышленности, требующих наличия выделенного аналитика данных на стороне клиента. Компания ООО «Поисковая Машина» находится на стадии активного вывода продукта на рынок. К моменту написания настоящей работы продукт достиг уровня технологической готовности TRL 7, то есть прошёл опытную эксплуатацию в условиях реального производственного процесса. Продукт «Yellot» реализован в виде локального программно-аппаратного комплекса, функционирующего полностью автономно на площадке клиента без передачи данных во внешние облачные сервисы. Это обстоятельство является конкурентным преимуществом при работе с промышленными предприятиями, для которых требования информационной безопасности исключают облачную обработку чувствительных производственных данных. Техническая архитектура включает следующие компоненты: 22 • Аппаратная платформа: вычислительный узел на базе NVIDIA CMP 90HX в форм-факторе microATX, обеспечивающий достаточную вычислительную мощность для обучения и эксплуатации моделей машинного обучения непосредственно на стороне клиента; • Программное ядро: бэкенд реализован на языке Go с API-интерфейсом; модели машинного обучения построены на базе библиотек PyTorch и TensorFlow; • Операционная среда: Linux; • Пользовательский интерфейс: веб-приложение, доступное через браузер без установки дополнительного программного обеспечения. Такая архитектура обеспечивает три ключевых для промышленного сегмента свойства: автономность (нет зависимости от интернет-соединения и внешних сервисов), безопасность (данные не покидают периметр предприятия) и доступность (веб-интерфейс не требует специальной подготовки пользователя). Ключевые функциональные возможности продукта «Yellot» включают: 1. Сбор и структурирование производственных данных — автоматизированный приём данных с различных источников (IoT-датчики, операторский ввод, интеграция с KISG, Vmx, Appius-PLM, 1С, CAD, ERP и MES системами); 2. Обучение ИИ-модели на исторических производственных данных клиента; 3. Предиктивная аналитика — прогнозирование производственных показателей, выявление аномалий, предупреждение отклонений; 4. Планирование производственных параметров — помощь в принятии решений об оптимизации режимов и параметров процессов; 5. Технические отчёты — автоматическое формирование документации по результатам анализа. 23 Целевым пользователем «Yellot» выступает промышленное предприятие с непрерывным или дискретным производством, у которого существует задача снижения потерь, оптимизации ресурсов или повышения качества продукции и которое при этом накапливает производственные данные в оцифрованном виде. Потребительская ценность продукта формируется по нескольким измерениям: • Экономия трудозатрат: снижение времени на ручной анализ производственных показателей и составление технических расчётов — до 600 часов в год в расчёте на одного инженера по оценкам разработчика; • Снижение себестоимости: уменьшение потерь сырья, топлива, электроэнергии за счёт оптимизации технологических параметров; • Снижение рисков: раннее обнаружение отклонений производственного процесса до возникновения брака или аварийной ситуации; • Скорость внедрения: развёртывание и запуск комплекса в течение одного рабочего дня. Сравнительный потенциал продукта подтверждается следующими оценочными данными: при стандартном объёме производства предприятие потребляет 50 000 единиц ресурса в год стоимостью 7 000–10 000 рублей за единицу (итого 1,4–1,5 млрд рублей). Даже снижение потерь на 0,5–0,7% даёт экономию порядка 9,5 млн рублей в год, что многократно превышает стоимость аренды комплекса. 2.2. Бизнес-модель продукта «Yellot» Lean Canvas — это адаптация модели Business Model Canvas, разработанная Эшом Маурья специально для стартапов и ранних стадий продукта. В отличие от классического канваса, Lean Canvas фокусируется на проблеме, которую решает продукт, а не на партнёрской инфраструктуре. Инструмент позволяет зафиксировать ключевые гипотезы бизнес-модели на одном листе и использовать их как основу для итеративной проверки. Модель представлена на Рис.2.1 24 Рис.2.1. Lean Canvas продукта «Yellot» 2.3. Анализ целевого рынка, потребителей и конкурентной среды продукта «Yellot» Для системной оценки внешней среды, в которой осуществляется вывод продукта «Yellot» на рынок, был проведён PESTEL-анализ по шести группам факторов. 25 Таблица 2.1 PESTEL-анализ продукта «Yellot» Фактор Политические (P) Экономические (E) Социальные (S) Степень влияния (В/С/Н) 1. Государственный курс на импортоза- Высокая Описание влияния мещение в промышленности формирует устойчивый политический запрос на отечественные ИИ-решения. 2. Программы грантовой поддержки технологического предпринимательства («Студенческий стартап», «УМНИК», Фонд содействия инновациям) снижают финансовые риски на ранних стадиях. 3. Санкционные ограничения закрывают доступ предприятий к зарубежным облачным ИИ-платформам (Microsoft Azure AI, AWS SageMaker, DataRobot), освобождая нишу для отечественных решений. 1. Высокая ключевая ставка ЦБ РФ сдер- Высокая живает инвестиционную активность МСП, удлиняя цикл принятия решений о внедрении новых технологий. 2. Арендная модель монетизации снижает финансовый порог входа для клиента по сравнению с единовременной закупкой корпоративного ПО. 3. Ограниченный бюджет на цифровизацию у целевого сегмента (МСП) требует быстрой и измеримой демонстрации экономического эффекта. 1. Консерватизм менеджмента промыш- Средняя ленных МСП в отношении внедрения ИИ — ключевой поведенческий барьер на этапе продаж. 2. Острый дефицит специалистов в области Data Science на производственных предприятиях повышает востребованность решений, не требующих технической экспертизы. 3. Постепенный рост осведомлённости руководителей о практических возможностях ИИ снижает психологический барьер при принятии решений. Вероятность (В/С/Н) Высокая Высокая Высокая 26 Продолжение табл. 2.1 Технологические (T) Экологические (E) Правовые (L) 1. Активное развитие открытых фреймворков Высокая Высокая машинного обучения (PyTorch, TensorFlow) снижает затраты на разработку и обновление ИИ-моделей. 2. Распространение концепций Industry 4.0 и промышленного IoT формирует устойчивый спрос на системы сбора и анализа производственных данных. 3. Фрагментированность производственных данных на предприятиях затрудняет подготовку обучающих выборок и замедляет внедрение. 4. Быстрое развитие конкурирующих ИИ-инструментов требует непрерывного обновления функциональности продукта. Требования к энергоэффективности серверного Низкая Низкая оборудования и утилизации электронных компонентов в России постепенно ужесточаются, однако на горизонте 2–3 лет остаются некритичными для программного продукта. Федеральный закон № 152-ФЗ «О персональ- Средняя Средняя ных данных» регулирует обработку данных о сотрудниках — актуально для модуля контроля безопасности труда. 2. Требования служб информационной безопасности предприятий формируют де-факто регуляторный барьер при согласовании установки стороннего ПО внутри периметра сети. 3. Нормативная база в сфере ИИ активно формируется (ГОСТ Р серии «Искусственный интеллект», рекомендации ФСТЭК), что создаёт правовую неопределённость, но пока не ограничивает деятельность. PESTEL-анализ показывает, что внешняя среда для «Yellot» в целом благоприятна: государственная политика и правовые ограничения формируют спрос на отечественные локальные ИИ-решения, а технологический прогресс снижает себестоимость разработки. Основные риски сосредоточены в экономической и социальной плоскостях: ограниченность бюджетов клиентов и консерватизм производственного персонала требуют чёткого обоснования ROI и минимального порога внедрения. 27 Потенциальными потребителями «Yellot» выступают промышленные предприятия России, соответствующие двум критериям: наличие непрерывного или дискретного технологического процесса с измеримыми параметрами и накопленная история производственных данных в оцифрованном формате. По оценкам экспертов ООО «Поисковая Машина», в России насчитывается порядка 79 тыс. промышленных предприятий, из которых значимая часть ещё не имеет развёрнутых ИИ-решений. Это формирует широкий первичный рынок. Первичным контактным лицом при продаже «Yellot» выступает инженертехнолог или сметчик — линейный специалист, непосредственно работающий с производственными данными и ощущающий потребность в инструменте анализа. Принятие же финансового решения о приобретении или аренде продукта остаётся за техническим директором или высшим руководством предприятия, что определяет многоуровневый характер процесса продажи. Целевой горизонт охвата, по внутренним оценкам компании: • Краткосрочный (2025–2026 гг.): 5–8 активных переговоров, 2–4 пилотных проекта, 1–2 заключённых договора; • Среднесрочный (2027 г.): 8–12 предприятий в активной работе, 4–6 действующих договоров аренды, 1–2 R&D-партнёра. На российском рынке ИИ-решений для промышленности «Yellot» конкурирует с тремя типами игроков: 28 Таблица 2.2 Конкурентное окружение продукта Yellot Тип конкурента Примеры Сильные стороны Слабые стороны относительно Yellot Зарубежные облачные Microsoft ИИ- AI, платформы KISG Azure Широкий AWS Sage- функционал, Maker, DataRobot (IoT- KISG платформа) Vmx Ограничены или недо- зрелая ступны в России; данные экосистема хранятся в облаке Сбор данных с обору- Не предоставляет аналидования, зрелое реше- тику на основе МО; нет Vmx ние предиктивной функции Визуализация данных Нет ИИ-ядра; не решает задачу оптимизации ERP/MES с моду- 1С, Appius-PLM, Интегрированы лями аналитики CAD/ERP учётные системы в Дорогое внедрение; требуют специалиста; не ориентированы на ML Конкурентное преимущество «Yellot» состоит в сочетании трёх характеристик, которые одновременно не реализует ни один из указанных конкурентов: локальное хранение данных, готовая ИИ-модель и доступный интерфейс без Data Science-специалиста. На основе проведённого анализа внешней среды и характеристик продукта составлена матрица SWOT. 29 Таблица 2.3 SWOT-анализ продукта Yellot Сильные стороны (S) S1. Полная локальность обработки данных: система работает без передачи информации во внешние сервисы, что устраняет главное опасение промышленных предприятий при внедрении ИИ-решений. Слабые стороны (W) W1. Отсутствие отлаженного канала лидогенерации: на начальном этапе воронка продаж не формировалась самостоятельно и требовала исключительно активных действий. S2. Низкий порог использования: продукт W2. Зависимость от готовности данных на рассчитан на рядового сотрудника без навы- стороне клиента: разрозненное хранение ков программирования и работы с данными, производственных данных делает невоз- что критично для МСП без собственного IT- можным быстрое внедрение без предвари- штата. тельной подготовки со стороны заказчика. S3. Скорость внедрения: система развора- W3. Узкий функциональный охват на чивается в течение одного рабочего дня, старте: первый коммерческий модуль ре- что выгодно отличает её от длительных шает преимущественно задачу расчёта корпоративных внедрений. стоимости изготовления деталей. S4. Гибкая арендная модель снижает финан- W4. Отсутствие узнаваемости бренда и рысовый порог входа для МСП и делает про- ночной истории: продукт выходит на рыдукт доступнее по сравнению с крупными нок без большого числа кейсов и референспромышленными платформами. ных клиентов. Возможности (O) Угрозы (T) O1. Государственный курс на импортозаме- T1. Консерватизм менеджмента промышщение и ограничение доступа к зарубежным ленных МСП удлиняет цикл принятия решеоблачным ИИ-платформам создают спрос ний и снижает конверсию даже при наличии на отечественные локальные решения. интереса к продукту. 30 Продолжение табл. 2.3 O2. Дефицит специалистов в области Data T2. Выход на рынок крупных отечественных Science на предприятиях повышает спрос на IT-вендоров с аналогичной функционально«no-code» инструменты аналитики и прогно- стью может резко усилить конкурентное зирования. давление. T3. Неготовность производственных дан- O3. Грантовые и акселерационные про- ных у клиентов остаётся системной угрограммы поддержки технологических старта- зой: даже заинтересованный заказчик мопов позволяют финансировать разработку и жет быть не способен быстро предоставить пилоты без критической долговой нагрузки. корректную обучающую выборку. SWOT-анализ подтверждает, что основные слабые стороны «Yellot» носят процессный, а не продуктовый характер: проблемы сосредоточены в области управления воронкой продаж и работы с данными клиента, а не в технологии самого продукта. Это определяет направленность методики, разрабатываемой далее. 2.4. Технико-экономическое обоснование коммерциализации продукта «Yellot» Коммерциализация продукта «Yellot» реализуется через три основных сценария монетизации: 1. Базовая аренда программно-аппаратного комплекса — 100 000 рублей в месяц (1 200 000 рублей в год). Клиент получает готовое решение с обученной моделью и технической поддержкой, без необходимости единовременных капитальных затрат на покупку оборудования. 2. Индивидуальная доработка — интеграция с существующими системами клиента (ERP, MES и другими корпоративными платформами) оценивается 31 дополнительно, начиная от 200 000 рублей. Данный сценарий актуален для предприятий с развитой ИТ-инфраструктурой. 3. Полное внедрение под ключ — разработка кастомизированного решения, включая оборудование, программное обеспечение и интеграцию, оценивается от 1 400 000 рублей. Подписочная модель является приоритетной, поскольку снижает барьер входа для клиента, формирует предсказуемый рекуррентный доход и обеспечивает постоянное взаимодействие между компанией и клиентом в период эксплуатации. Основные статьи затрат на производство и поддержку одной единицы комплекса включают: • Стоимость аппаратной платформы (вычислительный узел NVIDIA CMP 90HX, microATX) — единовременные затраты при поставке; • Затраты на разработку и обучение ИИ-модели под конкретного клиента; • Затраты на техническое внедрение и первичную настройку (до 1 рабочего дня); • Периодические затраты на поддержку, обновление модели и техническое сопровождение. Важным преимуществом модели является низкая себестоимость обслуживания: после первичной настройки и обучения модели текущие затраты на поддержку одного клиента минимальны. Экономическая целесообразность внедрения Yellot обосновывается через сопоставление двух величин: стоимости аренды программно-аппаратного комплекса и потенциальной экономии клиента от оптимизации производственных параметров. 32 Структура потенциального эффекта для клиента включает два независимых источника. Первый — экономия трудозатрат: автоматизация расчётов и подготовки технической документации позволяет высвободить до 600 часов в год в расчёте на одного инженера-технолога или сметчика, что при средней стоимости рабочего часа специалиста соответствующей квалификации даёт измеримое снижение операционных затрат. Второй источник — сокращение производственных потерь: оптимизация технологических параметров на основе предиктивной аналитики снижает расход сырья, топлива и электроэнергии. Значимость второго источника существенно зависит от масштаба производства и стоимости ресурсов конкретного предприятия, поэтому он рассчитывается индивидуально на этапе формирования коммерческого предложения. Важно подчеркнуть, что «Yellot» прямо не снижает производственные затраты. Продукт предоставляет инженеру-технологу инструмент анализа и прогнозирования, на основе которого уже принимаются управленческие решения об изменении режимов работы оборудования. Таким образом, финансовый эффект является следствием управленческих решений клиента, а не автоматическим результатом внедрения системы. Это принципиальное разграничение обеспечивает корректность обещаний при продаже и устойчивость отношений с клиентом в период эксплуатации. Для расчёта ожидаемого ROI на этапе коммерческого предложения применяется шаблонный инструмент (Приложение 3), в котором клиент самостоятельно подставляет фактические данные своего предприятия: объём потребляемого ресурса, его стоимость и консервативную оценку возможного снижения потерь. Такой подход обеспечивает достоверность расчёта и переводит переговоры из плоскости абстрактных оценок в плоскость верифицируемых цифр клиента. Для оценки инвестиционной привлекательности проекта коммерциализации в целом применяются показатели чистой приведённой стоимости (NPV), индекса прибыльности (PI) и внутренней нормы доходности (IRR). Конкретные 33 значения данных показателей рассчитаны в финансовой модели ООО «Поисковая Машина» применительно к базовому сценарию выхода на рынок, предполагающему достижение 4–6 активных договоров аренды к 2027 году. Ключевой вывод финансовой оценки: при реализации базового сценария вывода на рынок проект коммерциализации «Yellot» является экономически привлекательным. Главным ограничением полноты реализации потенциала выступает не экономика продукта, а эффективность процесса его продвижения, что подробно рассматривается в следующем разделе. 2.5. Анализ действующего процесса вывода продукта на рынок по модели AS-IS и выявление его узких мест Описание текущего процесса вывода продукта «Yellot» на рынок выполнено в нотации BPMN (Business Process Model and Notation) с использованием модели AS-IS — «как есть», то есть отражающей реальную последовательность действий без улучшений и исправлений. Данная нотация позволяет наглядно представить участников процесса, их зоны ответственности, последовательность шагов и точки принятия решений. Процесс разделён на 2 пула и 4 дорожки по участникам и представлен в приложении 1: • «Yellot» / CEO — представитель компании-разработчика, ведущий продажи; • Инженер-технолог / сметчик — линейный сотрудник компании-клиента, первый контакт; • Технический директор — представитель среднего управленческого звена клиента; • Высшее руководство — лицо, принимающее финансовое решение о заключении договора. 34 Действующий процесс вывода продукта «Yellot» на рынок включает следующие последовательные этапы. Этап 1. Формирование списка контактов CEO продукта «Yellot» самостоятельно формирует список контактов промышленных предприятий для первичного охвата. Источником контактов служат открытые базы данных, отраслевые справочники и личные профессиональные связи. Данный этап полностью зависит от ручного труда одного человека и не предполагает систематического использования маркетинговых каналов. Участие в отраслевых выставках и мероприятиях как канал формирования воронки потенциальных клиентов в текущем процессе явно не предусмотрено. Этап 2. Первичный контакт с линейным сотрудником CEO инициирует первичный контакт с инженером-технологом или сметчиком предприятия. Коммуникация осуществляется преимущественно через электронную почту с последующим телефонным звонком или личной встречей. Линейному сотруднику направляется предложение об интеграции продукта «Yellot. Этап 3. Знакомство с предложением и первичное решение Линейный сотрудник самостоятельно знакомится с предложением об интеграции и принимает первичное решение: «Нужен ли продукт предприятию?» Если результат «Нет», то процесс завершается: «Конец сделки». Если результат «Да», то линейный сотрудник соглашается на проведение демонстрации. Важно отметить, что на данном этапе сотрудник принимает решение самостоятельно, без согласования с руководством. Это означает, что при отрицательном отношении линейного сотрудника к продукту процесс прерывается, даже если руководство предприятия могло бы принять иное решение. 35 Этап 4. Демонстрация продукта для линейного сотрудника CEO «Yellot» проводит демонстрацию продукта для инженера-технолога. По итогам демонстрации линейный сотрудник оценивает результат: доволен ли он результатом? Если результат «Нет», то «Конец сделки». Если результат «Да», то линейный сотрудник передаёт информацию о продукте руководству предприятия — техническому директору. Этап 5. Знакомство технического директора и демонстрация Технический директор получает от линейного сотрудника предложение об интеграции и принимает решение о необходимости продукта. Если результат «Нет», то «Конец сделки». Если результат «Да», то технический директор соглашается на демонстрацию. CEO проводит демонстрацию для технического директора. По её итогам если технический директор недоволен результатом, то сделка прекращается. Если технический директор доволен результатом, то передаёт информацию высшему руководству. Этап 6. Знакомство высшего руководства и демонстрация По аналогичной схеме высшее руководство знакомится с предложением, принимает решение о необходимости продукта и при положительном решении участвует в демонстрации. Если высшее руководство «Довольно результатом», то даётся поручение собрать данные для обучающей выборки; начинается подготовка к сбору данных. Этап 7. Проверка готовности данных и сбор обучающей выборки Данный этап является наиболее критичным с точки зрения результативности всего процесса вывода продукта на рынок. После того как высшее руководство предприятия приняло принципиальное решение об интеграции, стороны приступают к подготовке данных для обучения модели. На этом этапе 36 возникает ключевая развилка: «Можем ли мы собрать необходимый минимум данных?» Практика показала, что предприятия, принявшие положительное решение об интеграции, нередко переоценивают свою готовность к выполнению требований по предоставлению данных. Это обусловлено рядом системных причин. Во-первых, разрозненность хранения данных: на большинстве промышленных предприятий производственные параметры фиксируются в нескольких несвязанных системах одновременно — в операторских журналах, MES-системах, электронной почте, таблицах Excel и бумажных носителях. При этом ответственность за ведение и хранение данных, как правило, распределена между разными подразделениями и не централизована. Во-вторых, несовместимость форматов: данные из разных источников имеют различные структуры, временные метки, единицы измерения и степень детализации, что делает их прямое объединение для формирования обучающей выборки технически нетривиальной задачей без предварительной подготовки. В-третьих, несоответствие объёма требованиям: для обучения ИИ-модели требуется достаточный объём исторических данных с охватом различных режимов работы оборудования. Предприятие может не располагать данными за необходимый временной период либо иметь существенные пропуски в архиве вследствие плановых остановок, аварий или смены оборудования. В-четвёртых, организационные барьеры: решение об интеграции принимается на уровне высшего руководства, тогда как физический доступ к данным и их подготовка зависят от специалистов технических подразделений, которые могут не располагать ни временем, ни чёткими инструкциями для выполнения этой задачи. Существенным отягощающим обстоятельством является то, что в текущем процессе предварительная оценка готовности данных не проводится на 37 ранних этапах воронки: компания «Yellot» не предоставляла клиенту формализованных требований к данным до момента заключения предварительного соглашения. Это приводит к тому, что выявление несоответствия происходит на финальном этапе после того, как обе стороны уже вложили значительные временные и операционные ресурсы в прохождение всех предшествующих этапов переговоров и демонстраций. Этап 8. Подписание договора и техническая интеграция При успешном прохождении этапа сбора данных стороны подписывают договор и соглашение о неразглашении информации. Далее проводится техническая интеграция комплекса на площадке клиента. Процесс завершается состоянием «Сделка закрыта». Анализ описанного процесса позволяет выявить два системных узких места, которые определяют высокую долю незавершённых сделок. Узкое место 1: Узкая воронка входящих контактов В текущем процессе единственным источником заявок является ручное формирование CEO списка холодных контактов. Это порождает несколько проблем: 1. Объём воронки ограничен производительностью одного человека; 2. Контакты преимущественно изначально не заинтересованы в продукте. Предприятие не имеет ни сформированной потребности, ни предварительного знакомства с продуктом; 3. Конверсия незаинтересованного контакта значительно ниже, чем заинтересованного, пришедшего через рекомендацию, публикацию или отраслевое мероприятие. Значимость этого узкого места подтверждается практическим опытом: после участия компании в целевых промышленных выставках появились заинтересованные клиенты, которые сами инициировали контакт. Именно с одним 38 из таких клиентов удалось завершить полный цикл сделки и осуществить внедрение продукта. Это однозначно указывает на то, что систематическое расширение воронки через выставки и профессиональные мероприятия является резервом роста конверсии. Узкое место 2: Развилка «Можем собрать необходимый минимум данных?» Это наиболее острое узкое место действующего процесса. По результатам анализа практики продаж «Yellot», именно на этом этапе произошло наибольшее число срывов сделок: после того как стороны прошли все этапы демонстраций, достигли принципиального согласия и приступили к подготовке данных, выяснялось, что предприятие не способно предоставить данные в требуемом формате или объёме. Причины этой проблемы: • Отсутствие у клиента чёткого понимания того, какие именно данные нужны и в каком формате; • Отсутствие оцифровки части технологических параметров или их хранение в нестандартных форматах; • Несогласованность внутри предприятия: решение об интеграции принято на уровне руководства, но данные физически находятся у других подразделений; • Отсутствие формализованных требований к данным со стороны «Yellot» — компания не предоставляла клиенту инструкцию по предварительной оценке и сбору данных до этапа согласования договора. Принципиально важно, что этот барьер возникает после прохождения всей цепочки согласований то есть уже после того, как значительные временные и операционные ресурсы обеих сторон вложены в процесс. Это делает данное узкое место особенно затратным. 39 Узкое место 3 (структурное): Зависимость продвижения от лояльности линейного сотрудника В действующей схеме линейный сотрудник (инженер-технолог) является единственным «шлюзом» для продвижения предложения выше по иерархии. Если линейный сотрудник не заинтересован в продукте или не имеет полномочий и мотивации продвинуть его внутри своей организации, процесс останавливается даже если руководство предприятия потенциально готово к внедрению. «Yellot» при этом лишён возможности выйти напрямую на технического директора или высшее руководство без согласия и участия уровня ниже. Данная архитектурная особенность процесса формирует структурную зависимость успеха сделки от поведения одного человека — линейного сотрудника, который не является ЛПР, но при этом контролирует доступ к ЛПР. Таблица 2.4 Узкие места действующего процесса AS-IS и их последствия Узкое место Этап процесса Последствие Тип проблемы Узкая входя- Формирование Малое число заявок, низ- Отсутствие системного щая воронка списка контактов кое качество контактов маркетинга Развилка «Мо- После согласова- Срыв сделки на послед- Отсутствие предвари- жем собрать ния с высшим ру- нем этапе с потерей всех тельной квалификации данные?» ководством вложенных ресурсов клиента по данным Зависимость от Первичный кон- Невозможность выйти на Структурная особен- линейного со- такт и все демон- ЛПР при отсутствии под- ность цепочки приня- трудника страции держки «снизу» тия решений 2.6. Разработка методики вывода продукта «Yellot» на рынок В главе 1 были рассмотрены ключевые инструменты и подходы, применяемые при выводе ИТ-продуктов на рынок: GTM-стратегия, модели маркетинга 40 4P и 7P, PESTEL, SWOT, модель пяти сил Портера, карта пути клиента (CJM), логико-структурный подход (LFA) и цикл PDCA. Каждый из этих инструментов решает конкретную аналитическую или проектную задачу, однако ни один из них в отдельности, ни их стандартная совокупность не образуют готовой пошаговой методики вывода ИИ-продукта на промышленный рынок. Таблица 2.5 Анализ применимости существующих подходов к контексту вывода Yellot на рынок Подход / ин- Что даёт струмент GTM-стратегия Чего не даёт применительно к Yellot Стратегический шаблон: кому, что, через Операционного что, как оценивать алго- ритма; работы с готовностью данных клиента Модель 7P Маркетинговый комплекс: цена, каналы, ар- Последовательности шагументация гов продавца; критериев перехода CJM Визуализация и диагностика пути клиента Проектирования процесса; нового инструментов продавца PDCA Итеративное совершенствование процесса Содержания базового процесса; с чего начать LFA Проектная структура: цели, результаты, Операционной риски логики привлечения и ведения клиента BPMN / AS-IS Описание текущего процесса и его узких Готовых шагов устранемест ния узких мест Таким образом, рассмотренные подходы образуют необходимое, но недостаточное основание для разработки методики. Это и составляет предмет настоящего раздела. 41 Три системных узких места, выявленных в ходе анализа AS-IS в разделе 2.4, и пять особенностей ИИ-продукта как объекта коммерциализации, установленных в главе 1, формируют конкретные методические требования к разрабатываемой методике. Таблица 2.6 Матрица «Проблема — Методическое требование — Решение в методике» Источник Проблема / особенность Методическое Решение в методике требование Узкое место Только один канал лидоге- Создать много- Три параллельных ка- №1 (AS-IS 2.4) нерации канальную си- нала: выставки, экс- стему привлече- пертный контент, партния контактов Узкое место Квалификация №2 (AS-IS 2.4) нёры готовности Перенести диа- Карта оценки готовно- данных на последнем этапе гностику ных в дан- сти клиента на этапе 2 начало процесса Узкое место Точка входа — линейный Изменить адре- Прямой выход на ди- №3 (AS-IS 2.4) сотрудник, не ЛПР сата первичного ректора с первого конконтакта Особенность Ценность продукта зависит Встроить 1.2.1 (глава 1) от данных клиента такта про- Этап квалификации го- верку данных в товности клиента (этап продажный про- 2) цесс Особенность Многоуровневое 1.2.2 (глава 1) решений принятие Адресовать ар- Адаптированная демонгументацию страция и ROI-расчёт каждому для руководства уровню 42 Продолжение табл. 2.6 Особенность Высокий воспринимаемый Снизить воспри- Первичное внедрение с 1.2.3 (глава 1) барьер внедрения нимаемый риск заранее согласованной через ограни- метрикой ченный пилот Особенность Клиент не готов к капиталь- Обосновать ROI Коммерческое предло- 1.2.4 (глава 1) ным затратам авансом до момента при- жение с расчётом ROI нятия решения Особенность Демонстрация ценности Регламентиро- 1.2.5 (глава 1) требует контекста клиента вать Адаптированный сцена- адаптиро- рий демонстрации ванный сцена- рий показа Каждая строка таблицы отражает прямую логическую цепочку: проблема, её операционное требование и конкретный элемент методики. Это гарантирует, что разрабатываемая методика не является произвольной конструкцией, а следует непосредственно из проведённого анализа. На основании сформулированных требований методика строится на четырёх принципах, обеспечивающих её практическую применимость в условиях ООО «Поисковая Машина». Принцип 1. Повторяемость. Каждый элемент методики воспроизводится при любой новой сделке без зависимости от индивидуального опыта конкретного сотрудника. В модели AS-IS весь процесс замыкался на CEO как единственном носителе неформализованного знания. Повторяемость достигается через стандартизацию инструментов и документов, применяемых на каждом этапе. Принцип 2. Измеримость. Каждый этап воронки завершается управленческим решением конкретного участника процесса, зафиксированным в виде шлюза. Это позволяет рассчитывать конверсию на каждом шаге и точно локализовать этап потери клиентов в соответствии с логикой цикла PDCA. 43 Принцип 3. Клиентоцентричность. Логика методики выстроена вокруг пути клиента, а не вокруг удобства продавца. На практике это означает смену точки входа с линейного сотрудника на директора уровня менеджмента и смену языка аргументации: с описания функциональности на доказательство финансового эффекта. Принцип 4. Итеративность. Методика не является статичным документом. По завершении каждого цикла сделок результаты анализируются и вносятся корректировки в соответствии с этапами цикла PDCA: Plan — Do — Check — Act. Итеративность является обязательным принципом для компании на стадии активного вывода продукта на рынок, когда ни одно проектное решение не может считаться окончательным до его практической проверки. Методика представляет собой шестиэтапный алгоритм последовательных действий. Каждый этап включает: описание действий, указание ответственного участника, применяемый инструмент и формализованный критерий перехода на следующий шаг. На основе алгоритма построена модель процесса TO-BE (Приложение 2), являющаяся формализованным отражением методики. Этап 1. Формирование воронки входящих заявок (лидогенерация) В модели AS-IS единственным источником заявок было ручное формирование холодного списка контактов CEO, что порождало узкую воронку без квалифицированных лидов. В методике TO-BE лидогенерация строится на трёх параллельных каналах, реализуемых независимо и одновременно: • Канал 1 — участие в отраслевых выставках и мероприятиях: обеспечивает заинтересованные контакты от представителей предприятий с уже сформированной потребностью. Именно этот канал дал первое завершённое внедрение «Yellot» (апробация, раздел 3.2); 44 • Канал 2 — экспертный контент: технические статьи и кейсы внедрений в отраслевых изданиях формируют входящий трафик и снижают информационный барьер, устраняя слабость W4 SWOT-анализа — отсутствие узнаваемости и рыночной истории; • Канал 3 — партнёрская сеть: системные интеграторы и отраслевые консультанты, уже имеющие доверительные отношения с промышленными предприятиями, обеспечивают доступ через рекомендательный канал. Критерием перехода является полученная входящая заявка от представи- теля уровня менеджмента предприятия-клиента (директор по продажам, технический директор или выше). Этап 2. Предварительная квалификация клиента по данным Ключевое нововведение по сравнению с AS-IS. До проведения демонстрации CEO проводит предварительное квалификационное интервью с использованием карты оценки готовности клиента — стандартизированного документа, фиксирующего соответствие инфраструктуры данных предприятия требованиям для обучения ИИ-модели. Инструмент устраняет узкое место №2: выявление несоответствия данных переносится с предпоследнего этапа воронки на второй. Карта содержит 3 раздела. Первый раздел оценивает параметрические данные о чертежах. Второй раздел проверяет требования непосредственно к чертежам. Третий к объёму обучающей выборки. По итогам интервью клиент относится к одной из трёх категорий: «готов» — переход к демонстрации; «условно готов» — проводим демонстрацию и просим клиента исправить упущения; «не готов» — сделка завершается. Бланк карты оценки приведён в Приложении 3. Основным критерием перехода к следующему этапу является статус клиента «готов» или «условно готов» с конкретными сроками подготовки данных. 45 Этап 3. Адаптированная демонстрация с расчётом ROI В модели AS-IS демонстрация проводилась как стандартный показ общих возможностей системы для линейного сотрудника. В разработанной методике демонстрация адресована директору по продажам или техническому директору и строится на задаче и данных, выявленных на этапе 2. Сценарий включает три обязательных элемента: воспроизведение производственной задачи клиента; показ работы системы на максимально близком примере; формулировка измеримого прикладного эффекта в терминах финансовой экономии. По завершении демонстрации CEO формирует коммерческое предложение с расчётом ROI, ключевым элементом которого является оценка потенциальной экономии применительно к масштабу производства данного предприятия. Документ выполняет функцию «физического доказательства» ценности (Physical Evidence в модели 7P ) и передаётся высшему руководству для принятия решения. Шаблон документа приведён в Приложении 4. Критерием перехода является согласие директора по продажам / технический директора на передачу коммерческого предложения высшему руководству. Этап 4. Согласование с высшим руководством Высшее руководство знакомится с коммерческим предложением и ROIрасчётом. При положительном решении согласовывается формат и условия пилотного проекта: сроки, объём данных, ответственные с обеих сторон и — обязательно — метрика успеха, по которой будет оцениваться результат пилота. Метрика успеха фиксируется письменно до начала пилота: это устраняет риск субъективной оценки результата по его завершении. Критерием перехода является подписанное соглашение о первично внедрении с зафиксированной метрикой успеха. Этап 5. Сбор данных, подписание соглашения о неразглашении и обучение модели 46 До передачи производственных данных стороны подписывают соглашение о неразглашении. Данные клиента не покидают периметр предприятия, однако сам факт их предоставления требует юридической фиксации. После подписания соглашения клиент передаёт обучающую выборку, сформированную в соответствии с параметрами из карты оценки готовности клиента. «Yellot» обучает ИИ-модель на данных клиента и запускает итерационную настройку: модель проверяется на контрольной выборке, результат сравнивается с метрикой успеха, зафиксированной на этапе 4, и при необходимости дорабатывается. Цикл повторяется до тех пор, пока модель не достигает заданного порогового значения. Такой подход исключает субъективность оценки. Переход к следующему этапу происходит только при объективно подтверждённом результате. Критерием перехода является достижение моделью согласованной метрики успеха и подтверждение результата заказчиком. Этап 6. Заключение договора и техническое внедрение Заключается договор аренды программно-аппаратного комплекса на согласованных условиях. Первое внедрение становится референсным: в рамках взаимодействия с клиентом CEO фиксирует описание задачи и достигнутого результата в формате удобном для использования в переговорах с новыми клиентами. Это устраняет слабость W4 из SWOT-анализа (отсутствие рыночной истории) и питает канал экспертного контента, замыкая методику в самоподдерживающийся цикл привлечения и конверсии. Сводный алгоритм методики представлен в таблице 2.7. 47 Таблица 2.7 Сводный алгоритм методики вывода «Yellot» на рынок № Этап Ответствен- Инструмент Критерий перехода CEO / мар- Три канала: выставки, Получена заявка от кетинг контент, партнёры менеджмента кли- ный 1 Лидогенерация ента 2 3 Квалификация по CEO Карта оценки готовности Клиент «готов» данным клиента Демонстрация + ROI- CEO Адаптированный сцена- Коммерческое расчёт рий; шаблон KP с ROI предложение передано руководству 4 Согласование усло- CEO и ТД Соглашение о внедрении с Соглашение подпи- вий внедрения клиента фиксированной метрикой сано, метрика успеха успеха зафиксирована 5 Получение данных, CEO и тех. NDA; данные; предобу- Модель обучена; подписание NDA и специалист ченная ИИ-модель метрика достиг- обучение модели нута; клиент подтвердил 6 Заключение договора и техническая интеграция CEO Договор об оказании Договор подписан; услуг техническая интеграция проведена; сделка закрыта Методика оперирует тремя прикладными инструментами, каждый из которых соответствует конкретному этапу алгоритма и устраняет определённое узкое место. 48 Инструмент 1. Карта оценки готовности клиента (этап 2). Стандартизированный бланк из пяти критериев, заполняемых по итогам квалификационного интервью. Применяется до демонстрации. Устраняет узкое место №2 — срыв сделки после полного цикла согласований из-за неготовности данных. Бланк Приложение 3. Инструмент 2. Адаптированный сценарий демонстрации (этап 3). Структурированный план показа, формируемый индивидуально на основе результатов квалификационного интервью. Включает: производственную задачу клиента, подготовленный пример на близких данных, формулу расчёта эффекта. Устраняет особенность 1.2.5 из главы 1 — невозможность убедительной демонстрации ценности в отрыве от контекста клиента. Инструмент 3. Коммерческое предложение с расчётом ROI (этап 3). Шаблонный документ с полями под объём производства, стоимость ресурса и консервативную оценку эффекта. Переводит переговоры из плоскости «функциональность» в плоскость «возврат на инвестиции», что ускоряет принятие решения высшим руководством клиента. Блан Приложение 4. 2.7. Обеспечение тиражируемости процесса коммерциализации Методика должна обеспечивать не только единичное внедрение, но и воспроизводимое распространение продукта без пропорционального роста нагрузки на CEO. На начальном этапе коммерциализации тиражируемость достигается тремя механизмами. Механизм 1. Стандартизация рабочих документов. Каждая сделка опирается на единый пакет документов: карта оценки готовности, шаблон сценария демонстрации, шаблон коммерческого предложения с ROI, типовой договор об оказании услуг и NDA, инструкция для клиента по подготовке данных ДСЕ. Стандартизация создаёт предпосылку для делегирования отдельных функций по мере роста команды. 49 Механизм 2. Самостоятельная подготовка клиента к внедрению. Инструкция по сбору и структурированию производственных данных позволяет клиенту самостоятельно пройти подготовительный этап, взаимодействуя с командой «Yellot». Это снижает зависимость каждого внедрения от присутствия высококвалифицированного специалиста на стороне продавца. Механизм 3. Партнёрский канал как мультипликатор охвата. Партнёры способны выполнять функцию первичной квалификации и генерации лидов без участия команды «Yellot». Для запуска канала необходимы типовое партнёрское соглашение, обучение работе с картой оценки готовности клиента и стандартный пакет маркетинговых материалов. Целевой ориентир на 2026–2027 годы — 1–2 активных партнёра, обеспечивающих не менее 30% входящего потока лидов. Полноценная масштабируемость на массовый рынок с высокочастотными транзакциями потребует найма специализированной команды продаж и автоматизации ряда этапов. Это рассматривается как задача следующего горизонта развития, выходящего за рамки настоящей работы. Разработанная методика является авторским интегрирующим инструментом, сформированным на основе критического анализа применимости существующих подходов и матрицы методических требований, прямо следующих из анализа AS-IS и особенностей ИИ-продукта. Шестиэтапный алгоритм с формализованными критериями перехода, четырьмя прикладными инструментами и тремя механизмами тиражируемости обеспечивает повторяемый, измеримый и масштабируемый процесс коммерциализации «Yellot». Каждое проектное решение адресует конкретную зафиксированную проблему: карта оценки данных устраняет риск срыва сделки; адаптированная демонстрация с ROI-расчётом ускоряет принятие решения; смена точки входа сокращает цикл согласований; партнёрский канал обеспечивают масштабирование охвата. Операционная реализация методики в нотации BPMN описана в разделе 2.5 (модель TO-BE); апробация её ключевых элементов — в разделе 3.2 50 ГЛАВА 3. АПРОБАЦИЯ МЕТОДИКИ ВЫВОДА ПРОДУКТА YELLOT НА РЫНОК И ОЦЕНКА ЕЁ РЕЗУЛЬТАТИВНОСТИ 3.1. Условия и порядок проведения апробации Апробация методики вывода продукта «Yellot» на рынок проводилась в условиях реальной коммерческой деятельности ООО «Поисковая Машина» в период применения улучшенного процесса TO-BE, разработанного в разделе 2.5. Период апробации охватывает активную фазу работы с клиентами после формализации методики: введения карты оценки готовности клиента, адаптированного сценария демонстрации и многоканальной лидогенерации. Компания приняла соответствующее решение о работе с методикой, что отражено в соответствующем акте в приложениях 5 и 6. Объектом апробации выступил процесс привлечения и ведения потенциальных клиентов из числа промышленных предприятий. Для обеспечения сопоставимости результатов с моделью AS-IS в качестве базовой точки сравнения использован средний цикл сделки в прежнем процессе, составлявший порядка 6 недель. Апробация строилась по следующей логике: каждый элемент методики применялся последовательно в работе с реальными клиентами, фиксировались входные условия, действия и наблюдаемые результаты. Там, где количественные данные недоступны, результат описывается качественно с указанием наблюдаемого эффекта. 3.2. Апробация элементов методики В рамках апробации методики была задействована многоканальная система привлечения клиентов, включающая три канала: отраслевые выставки и мероприятия, экспертный контент и партнёрскую сеть. 51 Выставочный канал был активирован первым. Участие компании в профильном промышленном мероприятии (выставка «Российский промышленник») обеспечило несколько входящих контактов от представителей предприятий, самостоятельно подошедших к CEO «Yellot» с конкретными производственными задачами. Это принципиально отличается от аутрича: потенциальный клиент приходит с уже сформулированной проблемой, что существенно сокращает начальную часть переговорного цикла. Партнёрский канал был активирован через визит к компании франчайзи 1С. В ходе переговоров была достигнута договорённость о взаимном информировании клиентов: 1С-партнёр порекомендовал одного клиента, располагающего производственной задачей, соответствующей профилю «Yellot». Это стало первым практическим подтверждением работоспособности партнёрского канала как источника квалифицированных рекомендаций через доверенного посредника. Итоговые показатели лидогенерации по модели TO-BE: привлечено 6 входящих заявок за период апробации. Все 6 контактов получены по новым каналам — через выставку и партнёра. Для сравнения: в аналогичный период при модели AS-IS входящий поток формировался исключительно через аутрич и не превышал 2 контактов той же степени зрелости. Ключевым нововведением методики является перенос оценки готовности данных клиента на второй этап воронки — до начала демонстрации. Инструментом квалификации служит структура выгрузки ДСЕ — формализованный перечень требований к данным клиента. Для прохождения квалификации клиент должен располагать следующими данными в оцифрованном виде: 1. ID заказа и наименование номенклатуры (деталей) — обязательно; 2. Материал детали в текстовом представлении — обязательно; 3. Масса детали (кг.) — обязательно; 52 4. Тираж (шт.) — обязательно; 5. Цена за единицу (руб./шт.) — обязательно; 6. Габариты (длина, высота, ширина), масса материала, стоимость материала — желательно. Помимо табличных данных, предъявляются требования к чертежам: форматы PDF, JPG, TIFF или PNG; чертежи не должны быть сборочными и не должны содержать размерные таблицы на группу деталей. Для получения устойчивых результатов обучения модели необходима обучающая выборка от 5 000 чертежей; контрольная выборка — не менее 1 500. Из 6 привлечённых лидов квалификационное интервью было проведено с каждым. По его итогам 2 клиента подтвердили наличие структурированного архива данных в оцифрованном виде и перешли на этап демонстрации; 4 клиента не располагали данными в требуемом формате или объёме и были переведены в статус «условно готов» с предоставлением инструкции по подготовке выгрузки. Ни в одном из случаев срыва сделки по причине несоответствия данных на финальном этапе переговоров — в отличие от модели AS-IS, где именно этот сценарий являлся основной причиной потерь. Квалификация выполнила свою функцию, неготовые клиенты были отсеяны до инвестирования ресурсов в полный цикл демонстраций. Оба клиента, прошедших квалификацию, получили адаптированную демонстрацию — показ, построенный на производственных параметрах конкретного предприятия, а не на стандартных тестовых данных. Демонстрации адресовались непосредственно техническому директору или директору по производству, минуя промежуточный этап линейного сотрудника, характерный для модели AS-IS. По итогам демонстрации каждому клиенту было предоставлено коммерческое предложение с расчётом ROI. Документ включал оценку высвобождения 53 рабочего времени инженера-технолога и оценку дополнительной маржи от ускорения обработки заявок применительно к масштабу производства данного предприятия. Передача КП руководству клиента обеспечила переход переговоров в плоскость финансовой целесообразности, а не функциональных характеристик продукта. Один из двух клиентов прошёл полный цикл переговоров и завершил его подписанием договора на аренду программно-аппаратного комплекса «Yellot». Второй находится в стадии активных переговоров о первичном внедрении на 21.05.2026. Визит к франчайзи 1С стал первым шагом по формированию партнёрской сети. Переговоры показали принципиальную заинтересованность 1С-партнёра в сотрудничестве. Предприятия-клиенты франчайзи, использующие 1С для производственного учёта, нередко располагают структурированными данными о заказах и деталях именно в том формате, который требуется для обучения модели «Yellot». Это делает 1С-партнёров естественными «квалификаторами» клиентов по критерию готовности данных, они уже знают, какие данные есть у клиента. Конкретным результатом стала одна квалифицированная рекомендация. В масштабе апробации это подтвердило, что партнёрский канал работает, однако для получения устойчивого потока заявок требует системного развития. Необходимы типовое партнёрское соглашение, обучения партнёра работе с картой квалификации и совместного маркетингового пакета. Это является задачей следующего планового цикла PDCA. 3.3. Сравнительный анализ результатов апробации По итогам апробации проведён сравнительный анализ ключевых параметров процесса вывода «Yellot» на рынок до и после применения методики TOBE. 54 Таблица 3.1 Сравнение показателей воронки продаж AS-IS и TO-BE Показатель Модель AS-IS Модель Изменение TO-BE Число привлечённых лидов за 2 6 +200% 100% Кардинальное период Доля «тёплых» контактов в ~0% потоке изменение структуры воронки Число клиентов, дошедших до Не фиксирова- 2 демонстрации лось системно из 6 Квалификация отсеивает не- (33%) готовых клиентов до демонстрации Число клиентов, дошедших до 1 за 18 месяцев 1 за 5 ме- Ускорение цикла договора сяцев Средний цикл сделки ~6 недель ~2 не- Сокращение в 3 раза дели Срывы сделок из-за несоот- Основная при- 0 случаев Узкое место №2 устранено ветствия данных на финаль- чина потерь ном этапе Наиболее значимый результат — сокращение цикла сделки с 6 недель до 2 недель при одновременном устранении главного сценария потерь. Это стало следствием двух системных изменений: выхода сразу на уровень ЛПР (без прохождения трёх последовательных уровней согласования) и передачи ROI-расчёта, снижающего неопределённость у руководства клиента. Помимо количественных показателей, апробация обнаружила ряд качественных эффектов, не отражённых в таблице. Карта оценки готовности данных изменила характер переговоров. Карта оценки готовности клиента переводит разговор с абстрактного «у вас есть данные?» на конкретный список параметров. Клиент получает точное понимание, 55 что именно от него требуется ещё до этапа демонстрации. Это снижает тревожность и ускоряет принятие решения о готовности к пилоту. Партнёрский канал показал структурное преимущество перед рассылками и прямыми звонками. Заявитель от франчайзи 1С изначально пришёл с пониманием того, что у него есть производственные данные в 1С, то есть частично уже прошёл квалификацию по умолчанию. Это сокращает нагрузку на этап 2 и повышает вероятность перехода к демонстрации. Адаптированная демонстрация изменила уровень вовлечённости клиента. Показ на данных, близких к реальным параметрам предприятия, вызывает качественно иную реакцию руководства по сравнению со стандартным демо на синтетических данных. Директор видит не «как это работает в принципе», а «как это работает на нашем производстве» — что является решающим фактором для снижения воспринимаемого риска внедрения. 3.4. Оценка результативности методики Для управления результативностью методики на основе данных апробации сформирована система KPI, охватывающая три уровня: воронка, конверсия и финансовый результат. Целевые значения установлены на горизонт 2026–2027 годов с учётом наблюдаемой динамики апробации. Таблица 3.2 Система KPI методики вывода «Yellot» на рынок Показатель Ед. изм. Факт (апробация) Цель 2026–2027 г. Число новых заявок в месяц шт. ~2 ≥5 Доля «тёплых» лидов в потоке % 100 ≥ 60 Конверсия из заявки в демонстрацию % 33 ≥ 50 Конверсия из демонстрации в договор % 50 ≥ 50 Средний цикл сделки ~2 ≤3 недели 56 Продолжение табл. 3.2 Число активных договоров аренды шт. Ежемесячная рекуррентная выручка тыс. (MRR) 1 4–6 100 ≥ 400 руб. Показатели конверсии между этапами воронки являются приоритетными управленческими индикаторами: снижение конверсии на конкретном этапе точно локализует проблему и задаёт предмет для следующего цикла PDCA. Для системного представления целей, результатов и критериев успеха проекта применяется логико-структурная матрица (ЛСМ) [15; 16]. Таблица 3.3 Логико-структурная матрица проекта коммерциализации «Yellot» Уровень Описание Показатели Источники про- Допущения верки Общая цель Устойчивая Выручка от Финансовая от- коммерциализа- аренды ≥ 4,8 млн чётность ООО ция «Yellot» на руб./год к 2027 г. «Поисковая Мапромышленном шина» рынке России Цель проекта Внедрение ме- Не менее 4 дей- CRM-система, Клиенты соот- тодики TO-BE и ствующих дого- договорная база ветствуют кри- достижение териям квалифи- конверсии воров к 2027 г. из демонстрации в договор ≥ 50% кации 57 Продолжение табл. 3.3 Результат 1 Расширенная ≥ 5 новых лидов/мес., Отчёты по Бюджет на вы- многоканальная доля «тёплых» ≥ 60% воронка лидов лидогенера- ставки и партции нёрскую про- грамму выде- лен Результат 2 Внедрённый 100% новых контактов Заполнен- процесс квали- проходят Результат 3 квалифика- ные фикации по дан- цию по карте оценки квалифика- вить информа- ным готовности клиента цию о данных Стандартизиро- КП с ROI-расчётом пе- Шаблоны ции Данных ента клидоста- демонстрации с монстраций тов, отчёты точно для адап- ROI о встречах тации сценария Активный парт- ≥ 1 активный партнёр, Партнёр- Партнёры (1С- нёрский канал ≥ 2 лида/квартал по ские согла- франчайзи) гопартнёрскому каналу Мероприятия го- карты товы предоста- ванный формат редаётся в 100% де- докумен- Результат 4 Клиенты шения, от- товы к сотрудчёты ничеству Участие в вы- По плану-графику Календар- Ресурсы ставках; разви- ный план выделены CEO тие 1С-партнёрства; обновле- ние карты квалификации по итогам PDCA Методика вывода «Yellot» на рынок не является статичным документом, она обновляется по завершении каждого цикла переговоров в соответствии с логикой PDCA. Рассмотрим это на примере метрики конверсии из заявки в демонстрацию Plan (Планирование). На основе показателей предыдущего периода формулируется гипотеза улучшения. Например, конверсия из заявки в демонстрацию 58 составляет 33% что ниже целевых 50%. Возможная причина: часть клиентов, признанных "условно готовыми", не получают достаточно чёткой инструкции по подготовке данных и выпадают из воронки. Формулируем гипотезу: «Если мы повысим детализация инструкцию, то число клиентов, вернувшихся к переговорам, достигнет целевых 50%». Do (Выполнение). Гипотеза тестируется: инструкция дорабатывается, применяется в работе со следующими «условно готовыми» клиентами в течение 4– 6 недель. Check (Проверка). Анализируется, вернулось ли больше клиентов к переговорам по сравнению с предыдущим периодом. Act (Закрепление). Если конверсия выросла — обновлённая инструкция фиксируется как стандарт методики. Если нет — гипотеза пересматривается. Применение PDCA позволяет методике адаптироваться к изменениям поведения клиентов, конкурентной среды и характеристик продукта — превращая её из разового управленческого решения в живой инструмент. Разработанная методика ориентирована на специфику продукта «Yellot» и сегмент промышленных B2B-клиентов. При переносе на другие продукты или рынки следует учитывать ряд ограничений. Во-первых, методика предполагает наличие у продукта чётко измеримого экономического эффекта, выражаемого в денежных единицах. Для ИИ-продуктов с трудноизмеримым эффектом этап ROI-расчёта потребует существенной адаптации. Во-вторых, методика рассчитана на модель «глубоких продаж» с небольшим числом крупных сделок, а не на массовый рынок с высокочастотными транзакциями. При масштабировании на большое число мелких клиентов этапы адаптированной демонстрации и пилотного проекта потребуют частичной автоматизации. 59 В-третьих, эффективность методики на текущем этапе напрямую зависит от того, насколько CEO или руководитель продаж способен совмещать управленческий и инженерный языки переговоров. По мере роста команды продаж эта зависимость снижается через стандартизацию инструментов и обучение новых сотрудников. Предложенная система KPI, логико-структурная матрица и цикл PDCA обеспечивают управляемость процесса коммерциализации «Yellot». Каждый элемент методики привязан к измеримому показателю, а итеративный механизм совершенствования гарантирует её актуальность по мере накопления практического опыта. 60 ЗАКЛЮЧЕНИЕ Настоящая работа посвящена разработке и апробации методики вывода на рынок ИИ-продукта «Yellot» — программно-аппаратного комплекса автоматизации расчёта стоимости изготовления деталей, разработанного ООО «Поисковая Машина». В ходе исследования получены следующие результаты. В главе 1 систематизированы теоретические основы вывода ИИ-продуктов на рынок. Установлено, что ИИ-продукт как объект коммерциализации обладает пятью специфическими характеристиками: зависимость от данных клиента, длинный цикл сделки, многоуровневое принятие решений, высокий барьер внедрения и специфика демонстрации ценности. Ни один из рассмотренных классических инструментов (GTM, 7P, CJM, LFA, PDCA) не решает задачу коммерциализации в отдельности — необходим интегрирующий методический инструмент. В главе 2 проведён комплексный анализ продукта и среды. PESTEL-анализ подтвердил, что государственный курс на импортозамещение и недоступность зарубежных облачных платформ формируют устойчивый спрос на отечественные локальные ИИ-решения. SWOT-анализ выявил, что основные слабые стороны «Yellot» носят процессный, а не продуктовый характер. Анализ AS-IS обнаружил три системных узких места: узкую воронку, позднюю диагностику данных и зависимость от линейного сотрудника. На основе этих данных разработан улучшенный процесс TO-BE с формализованными критериями перехода между этапами. В главе 3 проведена апробация методики. За период апробации привлечено 6 лидов против 2 за аналогичный период при модели AS-IS. Из 6 лидов 2 прошли квалификацию и получили демонстрацию; 1 клиент дошёл до подписания договора, 1 находится в стадии переговоров о пилоте. Ни одного срыва сделки из-за несоответствия данных на финальном этапе — главного сценария 61 потерь модели AS-IS — зафиксировано не было. Средний цикл сделки сократился с 6 до 2 недель. Практическая значимость работы состоит в том, что разработанная методика прошла первичную проверку в реальных условиях рынка и готова к непосредственному применению в деятельности ООО «Поисковая Машина». Направлениями дальнейших исследований являются: накопление статистически значимой выборки сделок для расчёта конверсий, масштабирование партнёрского канала и автоматизация этапа квалификации клиентов. 62 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Указ Президента Российской Федерации от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года») // Собрание законодательства Российской Федерации. – 2019. – № 41. – Ст. 5700. 2. ГОСТ Р 59277–2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. – М.: Стандартинформ, 2020. 3. ГОСТ 15971–90. Системы обработки информации. Термины и определения. – М.: Издательство стандартов, 1991. 4. Рассел С., Норвиг П. Искусственный интеллект: современный подход / пер. с англ. К. А. Птицына. – 2-е изд. – М.: Издательский дом «Вильямс», 2006. – 1408 с. 5. Портер М. Конкурентная стратегия: методика анализа отраслей и конкурентов / пер. с англ. И. Минервина. – М.: Альпина Бизнес Букс, 2005. – 454 с. 6. Котлер Ф., Армстронг Г. Основы маркетинга / пер. с англ. А. В. Назаренко – 12-е изд. – М.: Вильямс, 2009. – 1072 с. 7. Нив Г. Пространство доктора Деминга / пер. с англ. Ю. Т. Рубаника. – Тольятти: Городской общественный фонд «Развитие через качество», 1998. – 336 с. 8. Степанов Д. Ю., Степанова Г. А. Стратегия выхода на рынок программного обеспечения [Электронный ресурс] // Корпоративные информационные системы. – URL: https://www.corpinfosys.ru/archive/2023/issue22/242-2023-22-gotomarket (дата обращения: 06.06.2026) 9. Ларчев Д. В. Искусственный интеллект: понятие, признаки, классификация [Электронный ресурс] // Трибуна молодых учёных. – 2021. – С. 63 29–34. – URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt- ponyatie-priznaki-klassifikatsiya (дата обращения: 06.06.2026). 10. Понкин И. В., Редькина А. И. Искусственный интеллект с точки зрения права [Электронный ресурс] // Вестник РУДН. Серия: Юридические науки. – URL: https://journals.rudn.ru/law/article/view/18334/15699/ru_RU (дата обращения: 06.06.2026). 11. Кукшев Д. Н. Классификация систем искусственного интеллекта [Электронный ресурс] // ЭС. – URL: http://files.inesnet.ru/files/magazines/ЭС/2020/es2020-06/58-67_Кукшев.pdf (дата обращения: 06.06.2026). 12. Onside; Just AI. Российский рынок генеративного ИИ: итоги 2024 и прогноз до 2030 [Электронный ресурс] // CNews. – URL: https://www.cnews.ru/news/top/2025-12-09_v_2025_godu_rossijskij_rynok (дата обращения: 06.06.2026). 13. Strategy Partners; ГК «Цифра». Перспективные цифровые технологии в промышленности [Электронный ресурс] // ICT.Moscow. – URL: https://ict.moscow/analytics/perspektivnye-tsifrovye-tekhnologii-vpromyshlennosti-draivery-barery-stsenarii-primeneniia/ (дата обращения: 06.06.2026). 14. McKinsey & Company. The State of AI in early 2024: Gen AI adoption spikes and starts to generate value [Электронный ресурс]. – URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-stateof-ai (дата обращения: 06.06.2026). 15. Позняков В. В. Логико-структурный подход в управлении проектами [Электронный ресурс] // Блог iTeam. – URL: https://blog.iteam.ru/logikostrukturnyj-podhod-v-upravlenii-proektami/ (дата обращения: 06.06.2026 64 16. NORAD. The Logical Framework Approach (LFA): Handbook for Objectives-Oriented Project Planning [Электронный ресурс]. – [Norway]: Norwegian Agency for Development Co-operation, 1990. – 107 p. – URL: https://www.pacificwater.org/userfiles/file/IWRM/Toolboxes/planning%20process/LFA_handbook.pdf (дата обращения: 06.06.2026). 17. Бест Р. Маркетинг от потребителя: стратегический подход к маркетингу. – 4-е изд. – М.: Манн, Иванов и Фербер, 2015. – 752 с 18. Shewhart W. A. Statistical Method from the Viewpoint of Quality Control [Электронный ресурс]. – URL: https://ageconsearch.umn.edu/rec- ord/327285/files/GradSchoolQualityControl.pdf (дата обращения: 06.06.2026). 19. Deming W. E. Out of the Crisis [Электронный ресурс]. – URL: укажи фактически использованный адрес каталога, библиотеки или издателя (дата обращения: 06.06.2026). Приложение 1 Модель процесса AS-IS 66 Приложение 2 Модель процесса TO-BE Приложение 3 Карта оценки готовности клиента Карта оценки готовности клиента Предприятие: Дата интервью: Контактное лицо: Должность: РАЗДЕЛ 1. Табличные данные (выгрузка ДСЕ) № Поле данных Обязательность 1 ID заказа Желательно 2 Наименование номенклатуры (детали) Обязательно 3 Материал (текстовое представление) Обязательно 4 Длина (мм.) Желательно 5 Высота (мм.) Желательно 6 Ширина (мм.) Желательно 7 Масса детали (кг.) Обязательно 8 Масса материала (кг.) Желательно 9 Тираж (шт.) Обязательно 10 Стоимость материала (руб.) Желательно 11 Цена за единицу (руб./шт.) Обязательно Наличие / Примечание * Жёлтым выделены обязательные поля. Все обязательные поля должны присутствовать для перехода к демонстрации. 68 РАЗДЕЛ 2. Требования к чертежам № Требование Наличие / Примечание 1 Форматы файлов: PDF, JPG, TIFF или PNG 2 Чертежи не содержат размерных таблиц на группу деталей 3 Чертежи не являются сборочными 4 Название файла чертежа соответствует ID заказа РАЗДЕЛ 3. Объём обучающей выборки Выборка Норма Обязательность Обучающая выборка (чертежи) от 5 000 шт. Обязательно Контрольная выборка (чертежи) не менее 1 500 шт. Обязательно Ультраконтрольная выборка (отдельно от обучающей и контрольной) ~100 шт. Желательно Наличие / Примечание ИТОГОВАЯ КВАЛИФИКАЦИЯ Статус Условие Готов Все обязательные поля присутствуют, объём выборки достигнут Условно готов Часть обязательных полей отсутствует или объём выборки меньше нормы — клиент получает инструкцию по подготовке данных Не готов Оцифровка производственных данных не ведётся — переход к демонстрации нецелесообразен Присвоенный статус: Интервью провёл: 69 Приложение 4 Коммерческое предложение с расчётом ROI КОММЕРЧЕСКОЕ ПРЕДЛОЖЕНИЕ Yellot — система автоматизации расчёта стоимости изготовления деталей на основе искусственного интеллекта Разработчик: ООО «Поисковая Машина» Модель: Аренда программно-аппаратного комплекса Дата: _______________ Подготовлено для: _______________ БЛОК 1. Текущая ситуация предприятия Заполняется совместно с представителем предприятия в ходе переговоров. Параметр Значение Среднее число расчётов стоимости деталей в месяц ___ шт. Среднее время одного ручного расчёта ___ ч Расчётное время с Yellot (целевое) ~0,5–1 ч Число заявок/тендеров в месяц, от которых отказываетесь из-за нехватки времени на расчёт ___ шт. Средняя стоимость одного заказа ___ руб. Средняя маржинальность заказов предприятия ___ % Заработная плата инженера-технолога / сметчика (gross) Число сотрудников, занятых расчётами ___ руб./мес. ___ чел. БЛОК 2. Расчёт экономического эффекта 2.1. Эффект 1 — Снижение затрат на ФОТ Высвобождение рабочего времени сметчика / инженера-технолога позволяет сократить потребность в дополнительном найме при росте загрузки либо перераспределить высвобождённые часы на задачи с более высокой добавленной стоимостью. 70 Расчётный показатель Высвобождение часов в месяц Стоимость часа сотрудника Экономия ФОТ в год Формула Значение (Время ручного расчёта − 1) × Число расчётов × Число сотрудников ___ ч ___ руб. Зарплата / 168 Высвобождение × Стоимость часа × 12 ___ руб. 2.2. Эффект 2 — Снижение упущенной прибыли Yellot сокращает время расчёта, что позволяет предприятию обрабатывать большее число входящих заявок и тендеров в те же сроки. Расчётный показатель Число дополнительно обрабаты- Формула Значение Из блока 1 ___ шт. Средняя стоимость заказа Из блока 1 ___ руб. Маржинальность Из блока 1 ___ % ваемых заявок в месяц Дополнительная маржа в год Заявки × Стоимость × Маржиналь- ___ руб. ность × 12 2.3. Итоговый расчёт ROI Показатель Значение Экономия ФОТ в год (из 2.1) ___ руб. Дополнительная маржа в год (из 2.2) ___ руб. Совокупный эффект в год ___ руб. Стоимость аренды Yellot в год 1 200 000 руб. ROI ___ % Срок окупаемости ___ мес. БЛОК 3. Условия аренды Yellot Параметр Значение Базовая стоимость аренды 100 000 руб./мес. (1 200 000 руб./год) Что входит Программно-аппаратный комплекс, обученная ИИ-модель, техническая поддержка 71 Срок развёртывания Передача данных во внешние сервисы 1 рабочий день Отсутствует — данные остаются на площадке клиента Индивидуальная доработка / интеграция с ERP, MES от 200 000 руб. (по согласованию) БЛОК 4. Следующий шаг 1. Согласовать условия внедрения: сроки, объём данных, ответственные с обеих сторон. 2. Зафиксировать метрику успеха — измеримый показатель, по которому будет оцениваться результат (например: сокращение времени расчёта на X%, число дополнительно обработанных заявок за период). Метрика фиксируется письменно до начала работ. 3. Назначить ответственного сотрудника на стороне предприятия за подготовку и передачу данных. Настоящий документ носит информационный характер и не является офертой. Окончательные условия фиксируются в договоре аренды программно-аппаратного комплекса. Контактное лицо: ООО «Поисковая Машина» Контакт: _______________ 72 Приложение 5 Акт внедрения. Часть 1. 73 Приложение 6 Акт внедрения. Часть 2. Приложение 7 Lean Canvas продукта «Yellot»

Разработка методики вывода на рынок продукта на основе ИИ

Related documents

Products

Support

Разработка методики вывода на рынок продукта на основе ИИ

Related documents

Add this document to collection(s)

Add this document to saved

Suggest us how to improve StudyLib